ENGENHARIA DE PRODUÇÃO
Marcelo Machado Mendonça
USO DA SIMULAÇÃO COMPUTACIONAL E
DELINEAMENTO DE EXPERIMENTOS NO
DIMENSIONAMENTO DE UM NOVO PROCESSO
FABRIL E SEU PLANEJAMENTO: UM CASO
PRÁTICO NA INDÚSTRIA AERONÁUTICA
Dissertação submetida ao Programa de Pós-Graduação em Engenharia de Produção como parte dos requisitos para obtenção do Título de Mestre em Ciências em Engenharia de Produção.
Área de Concentração: Engenharia de Produção
Orientador: Prof. Dr. José Arnaldo Barra Montevechi
Novembro de 2015 Itajubá - MG
ENGENHARIA DE PRODUÇÃO
Marcelo Machado Mendonça
USO DA SIMULAÇÃO COMPUTACIONAL E
DELINEAMENTO DE EXPERIMENTOS NO
DIMENSIONAMENTO DE UM NOVO PROCESSO
FABRIL E SEU PLANEJAMENTO: UM CASO
PRÁTICO NA INDÚSTRIA AERONÁUTICA
Dissertação aprovada por banca examinadora em 30 de novembro de 2015, conferindo ao autor o título de Mestre em Ciências em Engenharia de Produção.
Banca examinadora:
Prof. Dr. João José de Assis Rangel (UCAM) Prof. Dr. Rafael de Carvalho Miranda (UNIFEI) Prof. Dr. José Arnaldo Barra Montevechi (Orientador)
Novembro de 2015 Itajubá - MG
Dedico este trabalho aos meus pais que sempre me apoiaram e frisaram a importância do estudo e conhecimento. E a minha esposa pelos incentivos e compreensão.
Agradeço a Deus pelas oportunidades colocadas em meu caminho, pela persistência doada para finalizar este trabalho apesar dos contratempos e pela saúde concedida para que pudesse atravessar esse percurso sem dificuldades.
Agradeço aos meus pais pela educação dada nesses anos, pelos exemplos, conselhos e tempo expendido para muitas vezes me ajudar e facilitar várias coisas do dia a dia para que pudesse me dedicar.
A todos familiares que oraram, torceram e me descontraíram, pois não só de pão e trabalho vive o homem.
À minha esposa, que brinco ao dizer que comecei o mestrado solteiro e terminei casado, pelos incentivos e tentativas de ajuda bem-intencionadas, mesmo sem nenhum conhecimento sobre os assuntos.
Ao meu orientador, Prof. Dr. José Arnaldo, que apesar de todos os percalços enfrentados durante esses anos, trocas de tema e períodos de orientação à distância, teve paciência, compreensão e amizade para me guiar até o final desta fase.
Aos Professores Dr. Fabiano Leal, Dr. Carlos Mello, Dr. Alexandre Pinho, Dr. Carlos Sanches, Dr. Edson Pamplona, Dr. José Henrique, Dr. Pedro Paulo, Dr. João Turrioni, pelos conhecimentos transmitidos e conversas jogadas fora no período acadêmico.
Agradeço aos colegas e amigos, que não citarei nomes pela injustiça que por ventura poderia cometer ao me esquecer de algum deles, da pós-graduação pelos estudos, pelas conversas e todos os momentos dentro e fora da universidade.
Aos colegas Elisa Melo e Daniel Gueratto, que auxiliaram na revisão do texto e tiveram um olhar extremamente crítico e minucioso, contribuindo muito para o resultado final.
Agradeço também aos gestores que tive neste período na empresa e que me permitiram continuar o mestrado em paralelo ao serviço e aos amigos de trabalho que incentivaram a continuidade dos estudos e que não me deixaram desistir após o trancamento da matrícula por um período.
A todos que, direta ou indiretamente, colaboraram para a conclusão desta dissertação, muito obrigado.
“A tarefa não é tanto ver aquilo que ninguém viu, mas pensar o que ninguém ainda pensou sobre aquilo que todo mundo vê.”
Arthur Schopenhauer. “Aqueles que se sentem satisfeitos sentam-se e nada fazem. Os insatisfeitos são os únicos benfeitores do mundo.” Walter S. Landor.
Esta dissertação apresenta um projeto de simulação a eventos discretos combinado à técnica de planejamento de experimentos (DOE) aplicada em uma empresa brasileira do setor da indústria aeronáutica. O projeto em questão faz parte do planejamento estratégico da empresa e trata-se de uma expansão de sua capacidade para viabilizar a demanda futura de programas existentes e a absorção de novos programas ao seu portfólio. O principal objetivo foi dimensionar os recursos transelevador, AGV e máquinas para a demanda inicialmente esperada para quatro produtos específicos e verificar como esses recursos se comportam com o aumento dessas demandas. Este estudo possibilitará a mitigação dos gargalos e a procura do melhor balanceamento da linha e utilização dos recursos. A metodologia utilizada foi modelagem e simulação e a contribuição acadêmica da pesquisa visa preencher uma lacuna encontrada na literatura, uma vez que não foram encontrados artigos publicados no setor da indústria aeronáutica com as técnicas de simulação e DOE juntas. Para a simulação computacional foi utilizado o software SIMUL8®, não só pela sua facilidade, abrangência e capacidade, como também pelos diversos relatórios de análise e possibilidade de criação de cenários, os quais foram de grande valia na hora da integração com o DOE. Um diferencial desta dissertação foi devido ao sistema analisado ainda não estar criado, o que despendeu grande esforço e atenção durante a verificação do modelo e participação da equipe responsável pelo projeto, como engenheiros e analistas, para validação do modelo computacional. Os resultados gerados ao final desta dissertação mostram que, mesmo não tendo um modelo real como base para comparação, as análises proporcionadas pela combinação de ambas às técnicas foram extremamente úteis para o dimensionamento e planejamento em longo prazo desta nova área, possibilitando alcançar um aumento de 30% de produtividade para alguns produtos e até 45% para outros.
Palavras-chaves: Simulação a eventos discretos, planejamento de experimentos, indústria aeronáutica.
This master`s thesis presents a discrete event simulation project combined with design of experiments (DOE) technique applied in a Brazilian aerospace industry company. The project in matter is part of the company`s strategic planning and it is a growth of its ability to achieve the future demand for existing programs and the absorption of new ones to its portfolio. The main objective was the resources sizing, as the stacker crane, the AGV and the machines for four specific products initially expected demand and checks the behavior of these resources with the increase of these demands, reducing bottlenecks and looking for the best line balancing and resource utilization. The methodology used was modeling and simulation and the academic contribution of the research aims to fill a gap in the literature, once cannot found articles published in the aerospace industry sector with simulation and DOE technique together. SIMUL8® software was used for computer simulation, not only it’s user-friendly, a range of possibilities and capacity, as well as the various analysis reports and ability to create scenarios, which was very useful at the time with the DOE integration. A differential of this master`s thesis is because the analyzed system has not been created yet, what expended huge effort and attention during model verification step and participation of the team responsible for the project, such as engineers and analysts, to validate the computational model. The results generated at the end of this master`s thesis show that, despite not having an actual model as a basis for comparison, the analysis provided by the combination of both techniques were extremely useful for sizing and long-term planning of the new area. Making possible reach a 30% increase in productivity for some products and up to 45% for other.
FIGURA 1.1EMBRAER - RECEITA POR SEGMENTO FONTE: WWW.EMBRAER.COM.BR ... 13
FIGURA 1.2EVOLUÇÃO DO MARKET SHARE - PEDIDOS FIRMES E ENTREGUES FONTE: HTTP://RI.EMBRAER.COM.BR/(RELAÇÕES COM INVESTIDORES)... 17
FIGURA 1.3ARTIGOS PUBLICADOS COM AS PALAVRAS-CHAVES DESDE 2000.FONTE:ADAPTADO DE HTTP://WWW.SCOPUS.COM/HOME.URL. ... 18
FIGURA 1.4ARTIGOS PUBLICADOS COM AS PALAVRAS-CHAVES COMBINADAS DESDE 2000 POR PAÍS.FONTE:ADAPTADO DE HTTP://WWW.SCOPUS.COM/HOME.URL. ... 18
FIGURA 1.5ARTIGOS PUBLICADOS COM AS PALAVRAS-CHAVES COMBINADAS DESDE 2000. FONTE:ADAPTADO DE HTTP://WWW.SCOPUS.COM/HOME.URL. ... 19
FIGURA 1.6ARTIGOS PUBLICADOS COM AS PALAVRAS-CHAVES COMBINADAS DESDE 2000 POR PAÍS.FONTE:ADAPTADO DE HTTP://WWW.SCOPUS.COM/HOME.URL. ... 19
FIGURA 1.7ARTIGOS PESQUISADOS QUE COMBINAM DOE E SED. ... 20
FIGURA 2.1ETAPAS DE UM PROJETO DE SIMULAÇÃO FONTE:CHWIF E MEDINA (2015) ... 24
FIGURA 2.2METODOLOGIA PARA PROJETO DE SIMULAÇÃO FONTE:MONTEVECHI ET AL.(2010) ... 25
FIGURA 2.3METODOLOGIA PARA PROJETO DE SIMULAÇÃO,IDEF-SIM,DOE E SIMUL8®. (ADAPTADO DE MONTEVECHI ET AL.,2010) ... 28
FIGURA 3.1MODELOS DETERMINÍSTICOS (A) E ESTOCÁSTICOS (B).FONTE:ADAPTADO DE HARRELL,GHOSH E BOWDEN,2004. ... 32
FIGURA 3.2EVOLUÇÃO DOS ESTADOS DE MUDANÇA DE UMA SIMULAÇÃO.FONTE:CHWIF E MEDINA,2015 ... 33
FIGURA 4.1REPRESENTAÇÃO SIMPLES DO MODELO CONCEITUAL. ... 45
FIGURA 4.2IDEF-SIM DO MODELO. ... 46
FIGURA 4.3MODELO COMPUTACIONAL DESENVOLVIDO NO SIMUL8®. ... 50
FIGURA 4.4MENU DE ALTERAÇÃO DA DEMANDA (INTERFACE COM USUÁRIO). ... 51
FIGURA 4.5VERIFICAÇÃO DO MODELO COMPUTACIONAL COM A FERRAMENTA TIME VIEW. .... 52
FIGURA 4.6VERIFICAÇÃO DA PROGRAMAÇÃO LÓGICA POR MEIO DO DEPURADOR PARA UM DOS PRODUTOS. ... 52
FIGURA 4.7VALIDAÇÃO DO MODELO –TOKEN. ... 54
FIGURA 4.10ANÁLISE PARA DEMANDA DO CENÁRIO 1. ... 58 FIGURA 4.11ANÁLISE DOS RECURSOS MÁQUINA, TRANSELEVADOR E AGV PARA DEMANDA DO
CENÁRIO 1. ... 59
FIGURA 4.12ANÁLISE DA FILA PARA DEMANDA DO CENÁRIO 1. ... 60 FIGURA 4.13ANÁLISE PARA DEMANDA DO CENÁRIO 2. ... 61
FIGURA 4.14ANÁLISE DOS RECURSOS MÁQUINA, TRANSELEVADOR E AGV PARA DEMANDA DOS CENÁRIOS 1 E 2. ... 61
FIGURA 4.15ANÁLISE DA FILA PARA DEMANDA DO CENÁRIO 2. ... 62
FIGURA 4.16COMPARAÇÃO DA DEMANDA PLANEJADA E EXECUTADA PARA OS CENÁRIOS 1 E 2.
... 63 FIGURA 4.17GRÁFICO DE PROBABILIDADE NORMAL PARA RESÍDUOS PADRONIZADOS (“PROD A
OUT”). ... 66
FIGURA 4.18CARTA DE CONTROLE PARA RESÍDUOS PADRONIZADOS VS VALORES AJUSTADOS
(“PROD AOUT”). ... 66
FIGURA 4.19EFEITOS PRINCIPAIS PARA O TOTAL DE PRODUTOS A,B,C E D CONCLUÍDOS EM UM ANO. ... 67 FIGURA 4.20EFEITOS PRINCIPAIS PARA A) UTILIZAÇÃO TRANSELEVADOR, B) TEMPO
TRABALHADO MÁQUINA TIPO 2 E C) TEMPO NÃO TRABALHADO TOTAL. ... 68 FIGURA 4.21GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS PARA A) PRODUÇÃO DE B, B)
UTILIZAÇÃO TRANSELEVADOR, C) TEMPO NÃO TRABALHADO TOTAL E D) UTILIZAÇÃO AGV. ... 69 FIGURA 4.22GRÁFICO DAS INTERAÇÕES DE SEGUNDA ORDEM ENTRE OS FATORES PARA A)
PRODUÇÃO DE A, B) UTILIZAÇÃO TRANSELEVADOR, C) TEMPO NÃO TRABALHADO TOTAL E D) TEMPO TRABALHADO MÁQUINA 2... 70
FIGURA 4.23ANÁLISE PARA DEMANDA DO CENÁRIO 2 APÓS ALTERAÇÕES. ... 71
FIGURA 4.24ANÁLISE DOS RECURSOS MÁQUINAS PARA DEMANDA DO CENÁRIO 1,2 ANTES E CENÁRIO 2 APÓS ALTERAÇÕES. ... 72
FIGURA 4.25ANÁLISE DOS RECURSOS AGV E TRANSELEVADOR PARA DEMANDA DO CENÁRIO 1,
2 ANTES E CENÁRIO 2 APÓS ALTERAÇÕES... 73
FIGURA 4.26ANÁLISE DA FILA PARA DEMANDA DO CENÁRIO 1,2 ANTES E CENÁRIO 2 APÓS ALTERAÇÕES. ... 73
APÓS DOE. ... 75
FIGURA B.1GRÁFICO PROBABILIDADE NORMAL PARA RESÍDUOS PADRONIZADOS (PRODUTO B) ... 89
FIGURA B.2GRÁFICO PROBABILIDADE NORMAL PARA RESÍDUOS PADRONIZADOS (UTILIZAÇÃO TRANSELEVADOR) ... 89
FIGURA C.1CARTA DE CONTROLE PARA RESÍDUOS PADRONIZADOS VS VALORES AJUSTADOS (UTILIZAÇÃO TRANSELEVADOR) ... 90
FIGURA C.2CARTA DE CONTROLE PARA RESÍDUOS PADRONIZADOS VS VALORES AJUSTADOS (TEMPO TRABALHADO MÁQUINA 1) ... 90
FIGURA C.3CARTA DE CONTROLE PARA RESÍDUOS PADRONIZADOS VS VALORES AJUSTADOS (TEMPO EM ESPERA MÁQUINA 2) ... 91
FIGURA C.4CARTA DE CONTROLE PARA RESÍDUOS PADRONIZADOS VS VALORES AJUSTADOS (TEMPO TOTAL NÃO TRABALHADO DAS MÁQUINAS) ... 91
FIGURA D.1GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS (PRODUTO A). ... 92
FIGURA D.2GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS (PRODUTO B). ... 92
FIGURA D.3GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS (PRODUTO C). ... 93
FIGURA D.4GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS (PRODUTO D). ... 93
FIGURA D.5GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS (UTILIZAÇÃO DO TRANSELEVADOR). ... 94
FIGURA D.6GRÁFICO DE PARETO DOS EFEITOS PADRONIZADOS (UTILIZAÇÃO DO AGV). ... 94
TABELA 2.1CLASSIFICAÇÃO DAS METODOLOGIAS DE PESQUISA QUANTITATIVA MODELAGEM E
SIMULAÇÃO ... 23
TABELA 3.2SIMBOLOGIA UTILIZADA NA TÉCNICA IDEF-SIM.FONTE:LEAL,ALMEIDA E MONTEVECHI (2008) ... 36
TABELA 3.1CARACTERÍSTICAS FUNDAMENTAIS DAS PRINCIPAIS TÉCNICAS DE DOE.FONTE: GOMES (2010) ... 41
TABELA 4.1INFORMAÇÕES SOBRE DEMANDA E CAPACIDADE DO SISTEMA. ... 44
TABELA 4.2DADOS DE ENTRADA DO MODELO. ... 45
TABELA 4.3PARÂMETROS DOS DADOS DE ENTRADA. ... 49
TABELA 4.4DEFINIÇÃO DO PROJETO – CENÁRIOS A SEREM SIMULADOS. ... 55
TABELA 4.5DADOS DE SAÍDA. ... 55
TABELA 4.6FATORES ESCOLHIDOS ... 63
TABELA 4.7MATRIZ EXPERIMENTAL PARA UMA REPLICAÇÃO... 65
TABELA 4.8ANÁLISE DE VARIÂNCIA. ... 69
TABELA 4.9CARGA DE HORAS MODIFICADA ENTRE AS MÁQUINAS ... 71
ANAC Agência Nacional de Aviação Civil
DOE Planejamento de Experimentos (Design of experiments) EMBRAER Empresa Brasileira de Aeronáutica
PIB Produto Interno Bruto
SED Simulação a eventos discretos UNIFEI Universidade Federal de Itajubá
1. INTRODUÇÃO ... 13
1.1. CONTEXTUALIZAÇÃO ... 13
1.2. PROBLEMA ... 15
1.3. OBJETIVOS E RESULTADOS ESPERADOS ... 15
1.4. JUSTIFICATIVA E MOTIVAÇÃO DA PESQUISA ... 15
1.5. CONDIÇÕES DE CONTORNO DA PESQUISA ... 20
1.6. ESTRUTURA DO TRABALHO ... 21
2. MÉTODO DE PESQUISA ... 22
2.1. CONSIDERAÇÕES INICIAIS ... 22
2.2. MÉTODO DE PESQUISA QUANTITATIVO: MODELAGEM E SIMULAÇÃO ... 22
2.3. CLASSIFICAÇÃO DA PESQUISA ... 23
2.4. ETAPAS DE UMA PESQUISA DE MODELAGEM E SIMULAÇÃO ... 24
3. FUNDAMENTAÇÃO TEÓRICA ... 29
3.1. CONSIDERAÇÕES INICIAIS ... 29
3.2. SIMULAÇÃO A EVENTOS DISCRETOS ... 29
3.2.1. Histórico ... 29 3.2.2. Introdução à simulação ... 30 3.2.3. Vantagens e desvantagens ... 33 3.2.4. Concepção ... 35 3.2.4.1. IDEF-SIM ...35 3.2.5. Implementação ... 38 3.2.6. Análise ... 40
3.3. PLANEJAMENTO DE EXPERIMENTOS (DOE) ... 40
4. APLICAÇÃO DO MÉTODO ... 43
4.1. CONSIDERAÇÕES INICIAIS ... 43
4.2. CONCEPÇÃO ... 43
4.2.1. Objetivos e definição do sistema ... 43
4.2.2. Construção do modelo conceitual ... 43
4.3.1. Construção do modelo computacional ... 49
4.3.2. Verificação do modelo computacional ... 51
4.3.3. Validação do modelo computacional ... 53
4.4. ANÁLISE ... 54
4.4.1. Definição do projeto experimental ... 54
4.4.2. Execução dos experimentos ... 55
4.4.3. Análises estatísticas ... 57
4.4.4. Conclusões e recomendações ... 75
5. CONCLUSÃO ... 76
5.1. CONSIDERAÇÕES INICIAIS ... 76
5.2. CONCLUSÕES GERAIS E CONTRIBUIÇÕES ... 76
5.3. VERIFICAÇÃO DOS OBJETIVOS ORIGINAIS ... 77
5.4. SUGESTÕES DE PROJETOS FUTUROS ... 77
REFERÊNCIAS BIBLIOGRÁFICAS ... 79
TABELA A.1 MATRIZ EXPERIMENTAL COMPLETA. ANEXO A – MATRIZ EXPERIMENTAL ... 83
ANEXO B - GRÁFICO DE PROBABILIDADE NORMAL PARA RESÍDUOS PADRONIZADOS ... 89
ANEXO C – CARTA DE CONTROLE PARA RESÍDUOS PADRONIZADOS VS VALORES AJUSTADOS ... 90
1. INTRODUÇÃO
1.1. Contextualização
De acordo com o Anuário do Transporte Aéreo de 2013 da ANAC, a demanda doméstica nos últimos dez anos do transporte aéreo de passageiros mais que triplicou, sendo que entre os anos de 2004 e 2013 o aumento foi de 203%, ou seja, um crescimento médio de 13,1% ao ano nesse período. Isso representa 3,7 vezes o crescimento do Produto Interno Bruto (PIB) brasileiro (3,5% ao ano no mesmo período).
O mesmo anuário menciona que desde 2010 o avião tem sido o meio de transporte mais utilizado pelos brasileiros, quando comparado com o ônibus, nas viagens interestaduais com distâncias superiores a 75 km.
Dentro deste cenário da aviação comercial, em 2013 a Embraer foi a terceira fabricante com mais aeronaves em operação no Brasil, com 14,6% de participação. Ela também ocupa o terceiro lugar no mundo como fabricante de jatos comerciais. Porém, ela é uma empresa que além da aviação comercial, também contempla fabricação e montagem de aeronaves para aviação executiva e militar.
Até 2014, a empresa já havia entregado mais de 850 jatos executivos, possuía jatos comerciais em mais de 90 companhias aéreas em 61 países diferentes e mais de 50 forças armadas possuíam avião com sua marca, o que lhe conferiu uma receita líquida em 2014 de quase quinze bilhões de reais, onde a participação de cada segmento pode ser vista na Figura 1.1.
Figura 1.1 Embraer - receita por segmento Fonte: www.embraer.com.br
E para manter-se entre as primeiras neste mercado há a preocupação constante em manter sua frota atualizada e competitiva. Hwang, Gao e Jang (2010) ressaltam que em um mercado competitivo, um atendimento rápido e com qualidade são fatores determinantes para a sustentabilidade da empresa.
Reforçando a sentença, Grönroos (2009) diz que para o cliente receber o que está esperando, no tempo certo e com qualidade, é preciso que haja uma gestão da capacidade eficiente ao ponto do planejamento das operações estarem alinhadas com o planejamento das demandas.
Nesse contexto, a empresa referida pretende expandir uma parte de sua produção para atender futuras demandas e novos projetos. Porém, antes dos investimentos, precisa tomar algumas decisões quanto ao dimensionamento dos recursos para esta expansão, e para isso, neste trabalho, a simulação a eventos discretos (SED) será utilizada combinada com o planejamento de experimentos (DOE) auxiliando no planejamento e exploração de possíveis cenários e suportando as escolhas dos cenários.
Conforme mencionado por Sargent (2013), crescente é o uso da SED com o intuito de avaliar um determinado sistema identificando como suas variáveis as afetam, melhorando as tomadas de decisões. Não à toa ela é apontada, principalmente por sua flexibilidade, versatilidade e capacidade de análise, como uma das técnicas de pesquisa mais utilizadas em vários setores (JAHANGIRIAN et al., 2010)
Apesar de inicialmente ter sido concebida para experimentos físicos, o DOE também pode ser utilizado, com relativa facilidade, em experimentos simulados (KELTON, 2003). Leal (2008) reforça dizendo que o emprego do DOE na simulação tem se mostrado de grande ajuda nas tomadas de decisões.
A metodologia DOE tem o intuito de auxiliar a identificar num processo as variáveis de maior importância e se há interações entre elas (MONTGOMERY e RUNGER, 2011).
A presente dissertação tem como foco demonstrar de que forma o uso da SED, criando sistemas simulados e demonstrando o comportamento de suas variáveis, integrada ao DOE, sustentando estatisticamente as escolhas das variáveis para tomada de decisão, podem ajudar no planejamento do dimensionamento de uma nova área fabril.
Por questões de confidencialidade não será mencionado neste trabalho: a localização desta área, quais produtos esta expansão atenderá, se é uma área de fabricação de peças ditas primárias ou secundárias, nem se é uma área de metálicos ou compósitos.
1.2. Problema
A empresa fará um alto investimento para expansão de uma área para garantir as futuras demandas e assegurar a entrada de novos projetos no mercado, ampliando e renovando seu portfólio de produtos. O essencial é que esses investimentos para expansão garantam que esta nova área atenda a demanda planejada sem que haja um retrabalho no projeto e novos investimentos por cenários de gargalos não planejados.
Já houve a decisão prévia de compra de alguns itens e definição do escopo da estrutura desta expansão, porém é preciso avaliar se os recursos de máquinas e equipamentos estimados inicialmente realmente irão atender. Lembrando que é uma área ainda em fase de construção e que, caso esses recursos não atendam, este é o momento de repensá-los de forma a evitar os gargalos e gastos futuros por mal planejamento.
1.3. Objetivos e resultados esperados
O objetivo prático desta dissertação é combinar as ferramentas de simulação computacional e planejamento de experimentos para que seja possível planejar da melhor forma o dimensionamento desta nova área, analisando as variáveis com maior impacto na adequação dos recursos e equipamentos, e que, ao final, o simulador tenha uma interface com o usuário para que possa testar e avaliar quantos cenários for necessário.
Academicamente a contribuição da dissertação será acrescentar à literatura um exemplo de aplicação das técnicas SED e DOE em um projeto cujo sistema real ainda não existe, observando quais serão as ações e contramedidas para que seja possível a construção do modelo, definições dos parâmetros de dados de entrada e análise para auxiliar no planejamento de expansão da empresa.
1.4. Justificativa e motivação da pesquisa
Do ponto de vista de mercado, dois pontos valem ser mencionados: a preocupação das fabricantes de aeronaves em reduzir o tempo de resposta às demandas, ou seja, o período desde a confirmação do pedido até a entrega da aeronave; e a capacidade das fabricantes em entregarem projetos novos e renovar seu portfólio, oferecendo produtos que exijam menores custos de manutenção, menor consumo de combustível e melhor desempenho em voo.
Corroborando esta questão dos custos, o Anuário do Transporte Aéreo de 2013 da ANAC aponta aumento de 6% de 2012 para 2013, destacando os principais itens que afetam esta alta nos custos como sendo, o combustível e manutenção de aeronaves, primeiro e segundo itens desta lista consecutivamente. Custo com tripulação vem apenas em terceiro lugar. Ou seja, o fabricante que entregar mais rapidamente às operadoras aéreas uma aeronave com melhor desempenho e que fique o menor tempo possível em solo devido à manutenção, estará um passo à frente de seus concorrentes.
Do ponto de vista industrial, a empresa tem a oportunidade de reduzir drasticamente os custos de desenvolvimento de um sistema ainda não existente quando utiliza a simulação (BLOOMFIELD et al., 2012).
Dombrowskia e Ernst (2013) apontam que a adoção da simulação pode reduzir em até 30% o tempo para o mercado (time to market), ou seja, grifando novamente um dos pontos mencionados no primeiro parágrafo desta seção. Outro benefício mostrado pelos mesmos autores é a redução de 15% na média dos custos relacionados às mudanças e alterações do processo ou layout.
Vale lembrar a importância deste projeto de ampliação para a competitividade e sustentabilidade da empresa, além do alto valor investido. Ressaltando que este trabalho focará em uma parte desta ampliação, não no projeto todo. Outro fator que motiva este trabalho é o fato da Embraer ser a terceira maior fabricante no seu ramo e que concluiu 2014 com uma receita líquida superior a seis bilhões de dólares, de acordo com o seu site institucional. Não à toa ela fechou o ano de 2014 como a empresa líder em market share, considerando os pedidos firmes e entregues, no mercado de jatos comerciais de 70 a 130 acentos, como mostra a Figura 1.2.
Figura 1.2 Evolução do market share - pedidos firmes e entregues Fonte: http://ri.embraer.com.br/ (relações com investidores)
Uma análise bibliométrica feita em maio de 2015 na página da Scopus considerando o que foi publicado nos últimos 15 anos revela mais sobre os principais termos presentes neste trabalho: simulação a eventos discretos, planejamento de experimentos e indústria aeroespacial. Os três termos foram pesquisados isoladamente em um primeiro momento, depois combinados entre si (em pares) e, por último, combinados os três. Nesta última análise, nenhum artigo foi encontrado nesta base de dados.
Percebe-se na Figura 1.3 que houve um aumento significativo na quantidade de artigos produzidos e publicados desde 2000 com essas palavras chaves. Essa informação está representada pela linha azul e seus valores pelas caixas cinzas acima do gráfico de barras. Algumas conclusões a partir da análise do gráfico:
Em abril de 2015 já haviam mais artigos publicados que os três primeiros anos de análise;
Desde 2012 a quantidade de artigos ultrapassa três mil;
Salvo um pico aos arredores do ano 2005 nas publicações com palavra-chave “aerospace industry”, DOE foi o tema mais publicado;
“Discrete event simulation” mantém uma porcentagem próxima de 30% do total de publicações com os termos buscados.
Figura 1.3 Artigos publicados com as palavras-chaves desde 2000. Fonte: Adaptado de http://www.scopus.com/home.url.
A Figura 1.4 apresenta os mesmos artigos analisados no gráfico acima, porém relacionando-os com o seu país. A seguir, algumas conclusões a partir da análise do gráfico:
20 países são responsáveis por 84% de toda publicação com esses termos neste período pesquisado;
Só os Estados Unidos representam 25%, ou seja, 8.264 artigos;
O Brasil está em 12º colocado, com 658 publicações onde, um pouco mais da metade é com o termo “design of experiments”;
16% dos artigos estão distribuídos entre outros 116 países.
Figura 1.4 Artigos publicados com as palavras-chaves combinadas desde 2000 por país. Fonte: Adaptado de http://www.scopus.com/home.url.
As duas próximas figuras apresentam uma mesma análise dos artigos, porém com os termos combinados entre si.
Quando analisados individualmente, os termos apresentam um aumento na quantidade de publicações (caixa cinza acima do gráfico de barras), porém para os termos combinados em pares o cenário é o oposto, observe a linha azul em ambos os gráficos;
DOE e SED são termos que possuem publicações todos os anos, independente da combinação dos termos;
Há dois anos que não são publicados artigos com as combinações que apresentam “aerospace industry” na busca, 2007 e 2011;
Há um crescimento na representatividade dos Estados Unidos, chegando a 33% das publicações totais;
O Brasil salta para 6ª posição, com 6 artigos.
Figura 1.5 Artigos publicados com as palavras-chaves combinadas desde 2000. Fonte: Adaptado de http://www.scopus.com/home.url.
Figura 1.6 Artigos publicados com as palavras-chaves combinadas desde 2000 por país. Fonte: Adaptado de http://www.scopus.com/home.url.
Uma outra análise bibliométrica foi feita apenas com artigos que combinavam a aplicação das técnicas SED e DOE no período de 2001 a 2015 (Figura 1.7). Dos 24 artigos selecionados, nos quais foram possíveis identificar as informações necessárias:
Nenhum utilizou o software SIMUL8® para construção do modelo computacional;
Nenhum aplicou na área de indústria aeronáutica;
Todos possuíam o sistema real fisicamente para poder fazer a validação estatística do modelo.
Figura 1.7 Artigos pesquisados que combinam DOE e SED.
1.5. Condições de contorno da pesquisa
O presente trabalho não pretende apresentar ou desenvolver uma metodologia para aplicação de simulação a eventos discretos combinada com planejamento de experimentos para planejamento de uma área nova, mas mostrar a importância da aplicação dessas duas ferramentas consagradas nos problemas práticos enfrentados por uma empresa. Seja pela SED e sua facilidade para modelar e explicar os sistemas nos momentos de reuniões e discussões com responsáveis pelo projeto seja pela solidez na seleção das melhores alternativas pelas análises estatísticas do DOE.
1.6. Estrutura do trabalho
Ao todo, esta dissertação é composta por cinco capítulos, cujo primeiro finda nesta seção tendo apresentado uma breve contextualização do tema do ponto de vista de mercado e das ferramentas que foram utilizadas durante sua elaboração. A motivação e o problema também foram expostos, bem como os objetivos e resultados esperados na conclusão.
No capítulo dois é explicado o método de pesquisa escolhido para conduzir este trabalho, a justificativa da classificação desta pesquisa como quantitativa empírica descritiva e também as etapas propostas por uma metodologia de projeto em simulação a eventos discretos. O capítulo seguinte apresenta a base teórica fundamentada em periódicos, livros e artigos de congresso nos principais conceitos aqui utilizados: a simulação a eventos discretos, como principal foco da dissertação; planejamento de experimentos; e o IDEF-SIM, técnica usada para elaboração do modelo conceitual do sistema. Aqui é apresentado um breve histórico sobre a SED, é detalhada a explicação sobre as etapas que um projeto de SED deve ter, bem como suas vantagens e desvantagens.
No quarto capítulo é desenvolvida toda a aplicação da metodologia (proposta no capítulo dois) no problema contextualizado neste primeiro capítulo. O escopo do projeto é descrito de tal forma a deixar claro quais são seus limites e objetivos, apontando quais dados de entrada devem ser considerados para construção do modelo computacional. Um trabalho extenso de verificação do modelo computacional também é mostrado, já que, por não existir ainda o modelo real, não é possível validar estatisticamente o modelo, sendo esta validação feita apenas de forma subjetiva.
Ainda no capítulo quatro são executados os experimentos e, de acordo com as análises das respostas da primeira e segunda rodada, são definidos os níveis com que os fatores devem ter, conduzido o planejamento de experimentos e gerado, após alterações, as recomendações para o projeto.
O quinto e último capítulo fecha-se após as conclusões da dissertação e sugestões para trabalhos futuros. São retomados os objetivos propostos no capítulo inicial, verificando se os objetivos encontrados são condizentes.
2. MÉTODO DE PESQUISA
2.1. Considerações iniciais
Este capítulo começa tratando do método quantitativo escolhido nesta dissertação. Dando sequência, a classificação da pesquisa é apresentada e o capítulo é concluído demonstrando as etapas propostas da metodologia para modelagem e simulação.
2.2. Método de pesquisa quantitativo: modelagem e simulação
Existem quatro tipos de métodos de pesquisa mais adequados para condução de pesquisas quantitativas na engenharia de produção (MARTINS, 2010), sendo elas:
Pesquisa Levantamento (Survey);
Experimentação;
Quase-Experimento;
Modelagem e Simulação.
Segundo os autores Morabito e Pureza (2010), o fato das funções estudadas durante a pesquisa modificarem de forma específica quando há alterações nas suas variáveis é o que determina o uso e referência do termo quantitativo.
O grande objetivo de uma pesquisa quantitativa é, justamente, construir modelos inteligíveis que descrevam parte ou por completo o modelo encontrado na vida real e seu comportamento (BERTRAND e FRANSOO, 2002).
Os autores Morabito e Pureza (2010) são mais específicos em sua sentença e dizem que modelos com linguagem computacional, como a simulação, são um exemplo de modelos quantitativos e utilizados para avaliar a influência das diferentes possibilidades no sistema.
De acordo com Martins (2010), no método de pesquisa modelagem e simulação “o pesquisador manipula as variáveis e seus níveis, mas não na realidade”.
Greasley (2008), por exemplo, utiliza a simulação a eventos discretos na sua pesquisa para estimar a área de estoque para uma fábrica de manufatura têxtil e complementa que ela é mais do que uma ferramenta de análise quantitativa de resultados e se mostrou importante também como ferramenta de discussão entre os gerentes do projeto, facilitando discussões acerca do funcionamento do modelo, suas premissas e hipóteses.
Dombrowskia e Ernst (2013) apresenta uma aplicação da simulação na geração de diferentes cenários de layout fabril antes que essa planta esteja construída, ou seja, ainda no momento de seu planejamento, e aponta vantagens como: redução de até 30% do time-to-market (tempo que o produto demora a chegar ao mercado desde sua concepção); redução média de 15% nos custos relacionados com mudanças e alterações; além de economia nos investimentos e da maturidade ao final do projeto.
2.3. Classificação da pesquisa
Assim como Martins (2010) enumerou os tipos de pesquisa quantitativa para a engenharia de produção, Bertrand e Fransoo (2002) classificaram em quatro diferentes tipos o método quantitativo modelagem e simulação, vistos abaixo na Tabela 2.1.
Tabela 2.1 Classificação das metodologias de pesquisa quantitativa modelagem e simulação
Enquanto pesquisas axiomáticas partem de suposições (axiomas) sobre o comportamento de algumas variáveis para gerar conhecimento sobre outras dentro do mesmo modelo, as pesquisas empíricas são orientadas por resultados e medidas empíricas, onde os resultados teóricos são aplicados em modelos reais.
Nesta dissertação a pesquisa é classificada como empírica descritiva. Empírica porque testam hipóteses que dizem respeito a relações de causa e efeito, há manipulação de variáveis independentes e há interesse em melhorar um sistema que será real. E descritiva porque busca resolução de problemas melhorando as práticas por meio da observação, análise e descrições objetivas com participação de peritos que também validam o conteúdo (THOMAS, NELSON, SILVERMAN, 2007).
Axiomática
Preocupada em desenvolver políticas, estratégias e ações para melhorar os resultados disponíveis na literatura existente.
Primariamente interessadas em analisar o modelo, que conduz ao entendimento e explicação das características do mesmo.
Empírica
Há o interesse em desenvolver políticas, estratégias ou ações para melhorar um sistema real corrente.
Pesquisadores estão interessados em criar um modelo que adequadamente descreve relações causais que podem existir na realidade, conduz ao entendimento dos processos atuais.
Descritiva Normativa
2.4. Etapas de uma pesquisa de modelagem e simulação
Em um ponto os autores Chwif e Medina (2015) e Montevechi et al. (2010) concordam, há três etapas principais em um projeto de simulação a eventos discretos: concepção, implementação e análise.
Os primeiros autores mencionados apresentam uma proposta em que a sequência é não linear, mas como auto alimentação onde a Figura 2.1 deve ser vista como um espiral, até que entre uma interação e outra não haja mais diferenças.
Figura 2.1 Etapas de um projeto de simulação Fonte: Chwif e Medina (2015)
Já Montevechi et al. (2010) propõem um fluxograma (Figura 2.2) descrevendo passo a passo toda lógica que deve ser conduzida para um projeto de simulação, incluindo as informações que são geradas e os modelos que são criados.
Figura 2.2 Metodologia para projeto de simulação Fonte: Montevechi et al. (2010)
O projeto deve iniciar com a elaboração do seu escopo, respondendo às questões como: objetivos da criação deste modelo; o nível de detalhamento que o modelo deve ter; as hipóteses que serão consideradas; os limites do projeto, ou seja, a partir de onde e até que ponto do sistema real deve ser criado um modelo a ser analisado. As respostas dessas questões indicarão quais as variáveis que deverão ser consideradas para a coleta de dados. É importante lembrar que não há uma resposta certa, nem padrão, para essas questões, valendo-se de uma atenção especial do analista e responsável do projeto (CHWIF e MEDINA, 2015).
Os mesmos autores fazem uma observação perspicaz dizendo que o segredo para fazer um projeto bem-sucedido, ou um grande fracasso, não está nos softwares ou hardwares selecionados, mas sim no “humanware”, ou seja, o responsável do projeto e as pessoas envolvidas.
Após o modelo conceitual criado ele deve ser validado junto aos especialistas do processo. Neste ponto já estão definidas as variáveis e então a coleta de dados deve ser feita e posteriormente os dados ajustados a uma distribuição de probabilidade que os representem. No caso do projeto desta dissertação há uma peculiaridade: o projeto de simulação será justamente para auxiliar na elaboração do sistema real, ou seja, ele ainda não existe, portanto não há dados a serem coletados. Nesta situação as bases para os dados de entrada serão:
Informações dos responsáveis da área de Planejamento e Controle de Produção (PCP) da empresa;
Informações dos engenheiros responsáveis pelo projeto de expansão;
Dados dos fabricantes dos equipamentos que serão utilizados no projeto.
Com o modelo computacional criado, dados coletados e ambos validados, deve-se prosseguir para a fase de implementação, onde o modelo conceitual será traduzido para uma linguagem de programação por meio de um software comercial e o produto final desta fase deverá ser um modelo computacional validado e verificado que atenda o que foi determinado na etapa anterior, a concepção. Importante que seja esclarecido a diferença entre os dois termos e para isso basta interpretar as seguintes perguntas:
1) “Será que estamos desenvolvendo corretamente o modelo?” 2) “Será que estamos desenvolvendo o modelo correto?”
A primeira pergunta está ligada à verificação do modelo e consiste em comprovar que o modelo conceitual foi traduzido corretamente para o modelo computacional. Já a segunda está ligada à validação e questiona se o modelo é ou não uma boa representação do modelo real (CHWIF e MEDINA, 2015). Percebe-se que, é possível ter um modelo verificado, ou seja, que
o modelo computacional represente com fidelidade o modelo conceitual, porém que não seja validado, em outras palavras, o modelo computacional não representa satisfatoriamente o modelo real. Até por isso, no fluxograma sugerido por Montevechi et al. (2010) o passo da validação (2.3) vem depois da verificação (2.2), e é sugerido justamente voltar à concepção do projeto quando não ocorre a validação do modelo computacional, pois uma vez que ele não representa o modelo real, foi algum erro ou na coleta e modelagem dos dados ou na definição do processo.
Na última etapa, o modelo já está pronto para realização de experimentos e o modelo computacional torna-se modelo operacional. Várias rodadas são executadas e os resultados comparados, analisados e documentados, podendo desta forma tirar conclusões e gerar sugestões para os objetivos traçados na concepção. É nesta fase que a técnica DOE será aplicada no projeto, enriquecendo a análise, os resultados e conclusões do modelo.
Com o intuito de facilitar e enriquecer o desenvolvimento do projeto de simulação, serão empregadas outras duas técnicas em momentos distintos do fluxograma. Durante a construção do modelo conceitual será utilizada a técnica IDEF-SIM proposta por Leal, Almeida e Montevechi (2008) que auxiliará na “tradução” do modelo conceitual para o computacional, por utilizar elementos que facilitam a identidade lógica, e contribuirá também no entendimento do fluxo do sistema estudado. Outra técnica que agregará valor ao estudo será o planejamento de experimentos, ou como é conhecida: DOE (Design of Experiments), porém na fase de análise auxiliando as escolhas das variáveis que mais impactam as saídas escolhidas do sistema. Ambas as técnicas serão revisitadas mais à frente no próximo capítulo, fundamentação teórica.
O software de simulação escolhido para a construção do modelo computacional será o SIMUL8®, cuja lógica, como apresentada por Mendonça et al. (2013), adaptou-se muito bem à técninca IDEF-SIM no momento de conversão do modelo conceitual para o computacional. Além desse motivo, o software também possui uma boa interface com planilhas do Excel, de onde veio boa parte da informação; possibilita inclusão de informações de custos e receitas; permite utilização de várias distribuições estatísticas e biblioteca gráfica bem ampla. Uma outra vantagem presente a partir da versão 2012 do SIMUL8® é a ferramenta de construção de cenários, onde é possível parametrizar os níveis de variáveis para diferentes cenários e processar tudo de uma vez, facilitando, por exemplo, a interação com a técnica DOE.
Para deixar mais claro e visual, veja na Figura 2.3 Metodologia para projeto de simulação, IDEF-SIM, DOE e SIMUL8®abaixo a metodologia de projeto de simulação com as técnicas mencionadas anteriormente.
Kelton, Sadowski e Sturrock (2007) afirmam que “a simulação é muito mais que apenas construir um modelo e conduzir experimentos estatísticos. Há muito mais a ser aprendido em cada passo de um projeto de simulação e as decisões que são tomadas ao longo do projeto podem afetar a significância dos resultados”.
Figura 2.3 Metodologia para projeto de simulação, IDEF-SIM, DOE e SIMUL8®. (Adaptado de Montevechi et al., 2010)
3. FUNDAMENTAÇÃO TEÓRICA
3.1. Considerações iniciais
A proposta deste capítulo é esclarecer sobre as principais ferramentas que serão utilizadas nesta dissertação, embasando os conceitos em artigos e livros das respectivas áreas. Os temas aqui abordados serão: a técnica de modelagem conceitual IDEF-SIM; a técnica de planejamento de experimentos (DOE) para determinar quais variáveis exercem maior influência no desempenho do processo e simulação a eventos discretos.
O último tema, simulação, como apresentado no capítulo anterior é o tema que está ligado tanto ao método de pesquisa quanto à metodologia escolhidos, portanto será a técnica mais explorada neste capítulo contemplando brevemente seu histórico, conceitos, classificações, vantagens, desvantagens e principais etapas.
3.2. Simulação a eventos discretos
3.2.1. Histórico
De acordo com Akera (2002), a partir da década de 40, impulsionada pelas necessidades de um período marcado pela guerra, a necessidade por modelagem e simulação motivou o desenvolvimento da computação. Assim como, em geral, a disciplina de pesquisa operacional, que tem este nome não à toa, pois deriva de comandos operacionais militares, grupo este que estava responsável para as resoluções de problemas de natureza logística e tática e era composta por cientistas multidisciplinares.
Desde então, a cada evolução da computação, novos avanços na simulação podiam ser percebidos, atraindo o interesse de mais pesquisadores (JENKINS e RICE, 2009).
Nance (1995) apresenta uma classificação da história da simulação do ponto de vista da tecnologia e linguagem de programação considerando os anos de 1955 até 1986 e dividindo-os em cinco períodos. Mais recentemente, Banks et al. (2009) incluem mais dois períodos, abrangendo até os dias atuais. A seguir podem ser vistas essas classificações históricas:
O período da busca - de 1955 até 1960: a simulação utilizava linguagens que não possuíam rotinas específicas e tinham propósitos gerais de aplicação, dentre elas FORTRAN®. O grande esforço neste período foi no desenvolvimento de rotinas que pudessem ser reutilizadas em vários tipos de aplicações (GAVIRA, 2003). A primeira linguagem que se assemelhava a um fluxograma, baseada em diagramas de blocos, e considerada como primeiro simulador foi a General Simulation
Program® (GSP) (JENKINS e RICE, 2009). Mas ainda era de uso muito restrito devido aos altos custos envolvidos (BANKS, 2001);
O advento - de 1961 até 1965: pacotes baseados em FORTRAN® já possuíam
rotinas específicas e símbolos de diagrama de fluxo, facilitando a elaboração dos modelos computacionais (PIDD, 2004);
O período da formação - de 1966 até 1970: conceitos foram revistos e começam a se aproximar dos objetos reais. Além disso, as linguagens de programação também ganham mais maturidade, fazendo com que esses softwares sejam cada vez mais utilizados (BANKS, 2001);
O período da expansão - de 1971 até 1978: as linguagens de programação tornam-se mais amplas e passam a abranger diversas possibilidades, tornam-sendo, desta forma, exploradas pelas indústrias de grande porte (BANKS, 2001);
O período da consolidação e da regeneração - de 1979 até 1986: é neste período que as linguagens de programação foram adaptadas para que pudessem ser utilizadas nos microcomputadores e adquirem a capacidade de serem executadas em vários computadores simultaneamente, ganhando desempenho (SCHNEIDER, 2004);
O período de integração de ambientes - de 1987 até 2008: as interfaces gráficas são aprimoradas, animações e ferramentas de visualização são incorporadas aos softwares e há crescimento na utilização em computadores pessoais (SCHNEIDER, 2004);
O futuro - de 2009 até hoje: novas possibilidades para simulação são exploradas, os gráficos ficam cada vez mais próximos à realidade e a interface cada vez mais intuitiva e amigável. As análises estatísticas e integração com outros sistemas facilitam as interpretações do modelo e tomadas de decisão.
3.2.2. Introdução à simulação
A simulação é a imitação de um processo ou sistema real, onde se cria uma história artificial para ser observada e tirar conclusões de sua operação do sistema a qual representa (BANKS, 1998).
Para Chwif e Medina (2015), existem três tipos de modelos de simulação: Monte Carlo, contínua e de eventos discretos; e ressaltam que a simulação a eventos discretos é capaz de
capturar a natureza dinâmica e aleatória de um modelo real com mais precisão e reproduzir em um computador o mesmo comportamento.
Enquanto na simulação de Monte Carlo o tempo não é uma variável levada em consideração (MOONEY, 1997), na simulação contínua e de eventos discretos já o consideram, porém de formas distintas: como o próprio nome sugere na contínua o estado do modelo muda continuamente com o passar do tempo; e na de eventos discretos o modelo altera-se em períodos determinados no tempo (LAW, 2007). Essas definições serão vistas novamente e melhores exemplificadas mais a frente ao abordar as formas de classificação de uma simulação.
Law e Kelton (2000) descrevem a simulação a eventos discretos como sendo uma modelagem de um sistema por meio de uma representação cujas variáveis alteram seu estado instantaneamente em pontos distintos no tempo a partir da ocorrência de eventos. Os mesmos autores complementam dizendo que é um modelo desenvolvido em computador que imita um sistema real, tornando possível a realização de experimentos para avaliação e melhoria do desempenho do sistema estudado sem interferir no modelo real.
De acordo com Harrel, Gosh e Bowden (2004), um modelo de simulação é composto por basicamente quatro elementos:
Entidades: itens processados ao longo do sistema, como produtos, clientes e documentos;
Atividades: tarefas que são executadas no sistema envolvidas direta ou indiretamente no processamento de entidades;
Recursos: meios pelos quais as atividades são realizadas, como instalações, equipamentos e pessoas;
Controle: parâmetros que ditam como, quando e onde as atividades são realizadas. São as regras do sistema.
Além desses quatro elementos, Chwif e Medina (2015) ainda incluem mais três: filas, entradas e saídas; e exemplificam suas aplicações dizendo que “entidades chegam ao sistema, esperam ou ficam armazenadas em filas, são processadas em atividades (que podem utilizar recursos) e depois saem do sistema”.
Quanto suas áreas de aplicação, esses mesmos autores as dividem em dois grandes setores:
Manufatura: linhas de montagem, sistemas de movimentação e armazenagem de materiais, problemas de programação da produção, análise de estoques, etc.;
Serviços: portos e aeroportos, bancos, call centers, hospitais, parque de diversões, restaurantes, supermercados, etc.
Um modelo de simulação pode ser classificado: a) Quanto ao tempo
Estático: o tempo não é considerado (simulação de Monte Carlo);
Dinâmico: sistemas que alteram seu estado ao longo do tempo. b) Quanto ao tempo de execução
Terminal: a simulação possui um período exato de funcionamento e deseja considerar essa influência de início e término do sistema. Por exemplo: restaurantes e bancos;
Não terminal: não possui um tempo exato para terminar e só há interesse em estudar o sistema em regime permanente. Por exemplo: uma montagem que opera 24 horas por dia, 7 dias por semana.
c) Quanto a sua aleatoriedade
Determinístico: os valores considerados são constantes;
Estocástico: os valores de entrada do modelo são aleatórios e seguem uma distribuição de probabilidade. Veja na Figura 3.1.
d) Quanto ao estado de mudança
Contínuo: quando o estado do sistema muda continuamente no tempo, veja na Figura 3.2;
Eventos discretos: o estado se altera a partir da ocorrência de um evento no decorrer do tempo.
Figura 3.1 Modelos determinísticos (a) e estocásticos (b). Fonte: Adaptado de Harrell, Ghosh e Bowden, 2004.
Figura 3.2 Evolução dos estados de mudança de uma simulação. Fonte: Chwif e Medina, 2015
O modelo analisado nesta dissertação pode ser classificado como dinâmico, a eventos discretos, não terminal e estocástico.
Apesar da capacidade de trabalhar com grande quantidade de dados e complexidade, não se deve pôr de lado o fato de que todo modelo é uma abstração da realidade e que não há uma resposta quanto ao nível “ideal” de simplificação de um modelo. Para Banks et al. (2005), “a construção de modelos envolve tanto arte quanto ciência”.
Antoine de Saint-Exupéry, autor do livro “O pequeno príncipe”, diz que “a perfeição é alcançada, não quando não há mais nada para acrescentar, mas quando não há mais nada para retirar”.
3.2.3. Vantagens e desvantagens
Segundo Law e Kelton (2000) as vantagens ao utilizar a simulação a eventos discretos são as seguintes:
Permite replicar de forma precisa os experimentos e testar diferentes alternativas para o sistema;
Os controles sobre as condições experimentais são melhores que no sistema real, possibilitando várias replicações;
É mais econômica que testar no sistema real, pois evita gastos desnecessários com equipamentos superdimensionados.
Ainda sobre as vantagens, Shannon (1998) acrescenta:
Possibilidade de testar diferentes leiautes sem a necessidade de interferir no processo e comprometer tempo e recursos;
Possibilita explorar políticas de alocação de recursos, políticas de estoque, procedimentos operacionais, fluxo de informação, procedimentos, sem interrupção do sistema real;
Permite identificar gargalos nos fluxos de material e produto;
A animação ajuda a comunicar aos clientes as mudanças ocorridas da implementação de um novo projeto.
Métodos tradicionais, como modelos matemáticos e analíticos, não são adequados para entendimento de sistemas com diversas operações discretas, com comportamentos não lineares, ocorrendo aleatoriamente, como uma manufatura.
Outra vantagem, como já mencionado na justificativa (seção 1.4) deste trabalho, simular o comportamento de sistemas que ainda não existem reduz o custo do seu desenvolvimento.
Law e Kelton (2000), porém, alertam também para alguns pontos de atenção e limitações ao escolher este caminho:
A construção do modelo computacional requer treinamento específico em um software e linguagem de programação;
Os resultados podem ser difíceis de serem interpretados;
A modelagem e análise por simulação, por vezes, podem ser demoradas e caras;
A validação do modelo é obrigatória, por mais realista que a animação seja;
Para cada simulação de um modelo estocástico são produzidas somente estimativas das verdadeiras características do modelo para um conjunto de dados de entrada específico.
Carson (2004) acrescenta:
Algumas vezes não há tempo suficiente para executar um projeto preciso e seguro antes do momento da tomada de decisão;
3.2.4. Concepção
Como visto na seção 2.4, há três principais etapas em um projeto de simulação: concepção, implementação e análise.
A conceituação do projeto, delimitação da abrangência do sistema, definição do(s) objetivo(s) da pesquisa, profundidade do seu escopo e seu nível de detalhamento, tudo faz parte deste primeiro passo, a concepção (ROBINSON, 2008). Leal (2008) afirma que esta é uma etapa vital para o sucesso do projeto.
Chwif e Medina (2015) afirmam que modelagem conceitual é a parte mais difícil do processo de desenvolvimento e uso de modelos de simulação. Robinson (2006) complementa ressaltando da importância desta fase no decorrer do restante do projeto, pois ela influenciará na:
Definição dos dados de entrada do modelo;
Velocidade do desenvolvimento do modelo computacional;
Validação do modelo;
Confiança que será colocada nos resultados do modelo.
Tendo construído todo o escopo do projeto e validado junto aos responsáveis, o próprio modelo conceitual guiará na determinação das variáveis de entrada e saída do modelo. Lembrando que a essência da arte de modelar é a abstração e a simplificação (SHANNON, 1998).
Definida as variáveis de entrada, é necessário coletá-las e ajustá-las à uma distribuição de probabilidade que será usada pelo modelo computacional para reproduzir o comportamento aleatório do fenômeno. Montevechi, Miranda e Friend (2012) segregam em quatro etapas a fase de modelagem dos dados de entrada:
Retirar da amostra as observações incomuns (outliers);
Identificar uma família de distribuições que descrevem o processo;
Estimar os parâmetros do fenômeno;
Realizar testes de hipóteses para determinar o ajuste da distribuição e seus parâmetros.
3.2.4.1. IDEF-SIM
Utilizando da combinação de elementos de outras duas técnicas em modelagem de processos, o IDEF0 e IDEF3, os autores Leal, Almeida e Montevechi (2008) propuseram uma técnica de modelagem conceitual com os seguintes propósitos como benefícios:
Redução no tempo gasto na modelagem computacional, pois facilita a “tradução” do modelo conceitual para computacional ao utilizar elementos que possuem uma identidade próxima à lógica de programação;
Ajuda no processo de validação do modelo conceitual junto aos especialistas;
Contribui para documentação do projeto de simulação, deixando registradas as lógicas utilizadas;
Permite um maior entendimento do modelo por parte dos futuros leitores do projeto. Para melhor entendimento das simbologias utilizadas nesta técnica para mapeamento do processo e sua relação com os elementos da programação computacional, veja a relação entre elas na Tabela 3.1 e, logo em seguida, a descrição de cada um.
Tabela 3.1 Simbologia utilizada na técnica IDEF-SIM. Fonte: Leal, Almeida e Montevechi (2008)
i. Entidade: itens a serem processados pelo sistema, representando matéria-prima, produtos, pessoas, documentos, entre outros. Elas podem ser agrupadas ou divididas ao longo do processo produtivo e são movimentadas por meios próprios ou por meio de recursos. Uma vez representada, o símbolo somente aparecerá no
momento em que uma nova entidade for criada. Desta forma, torna-se claro o número de entidades a ser utilizada e em que pontos do modelo a entidade sofrerá uma transformação;
ii. Funções: locais onde a entidade sofrerá alguma ação. Entendem-se como funções os postos de trabalho, esteiras de movimentação, filas, estoques e postos de atendimento. Estas funções podem modificar uma entidade, como no caso de postos de trabalho, ou mesmo alterar o ritmo de tempo desta entidade no fluxo, como uma espera, por exemplo, em uma fila ou estoque;
iii. Fluxo da entidade: direcionamento da entidade dentro do modelo, caracterizando os momentos de entrada e saída da entidade nas funções;
iv. Elementos: elementos utilizados para movimentar as entidades e executar as funções. Os recursos podem representar pessoas ou equipamentos. Em um sistema pode haver recursos estáticos ou dinâmicos. Os recursos estáticos não são dotados de movimento. Os recursos dinâmicos, por sua vez, podem se mover sobre um caminho definido;
v. Regras: regras utilizadas nas funções, como sequenciamento, regras de filas, programações, entre outros;
vi. Regras para fluxos paralelos e/ou alternativos: estas regras são chamadas de junções, na técnica IDEF3. Dois ou mais caminhos, após uma função, podem ser executados juntos (junção E), ou de forma alternativa (junção OU), ou permitindo ambas as regras (junção E/OU);
vii. Movimentação: deslocamento de entidade, no qual o modelador acredita possuir efeito importante sobre o modelo. Ao representar este elemento, esperam-se encontrar no modelo computacional uma programação específica para este movimento, como tempo gasto e recurso utilizado;
viii. Informação explicativa: utilizada para inserir uma explicação no modelo, com o objetivo de facilitar o entendimento do modelo;
ix. Fluxo de entrada no sistema modelado: define a entrada ou criação das entidades dentro do modelo;
x. Ponto final do sistema: define o final de um caminho dentro do fluxo modelado. Tudo o que, na prática, encontra-se além deste ponto está fora dos limites do modelo;
3.2.5. Implementação
Com o modelo conceitual definido e devidamente validado, tem início a fase de implementação, onde este modelo será traduzido para uma linguagem computacional por meio de um software de simulação dando origem, ao final, ao modelo computacional que, da mesma forma que o conceitual, será validado e também verificado (SARGENT, 2010).
À primeira vista os dois termos podem causar uma confusão, passando a conotação que possuem a mesma função, porém verificação e validação têm propósitos bem distintos e igualmente importantes e necessários para um projeto de simulação. Chwif e Medina (2015) sugerem duas perguntas muito simples que, ao serem feitas, elucidam muito bem a intenção de cada uma:
1) Estamos desenvolvendo corretamente o modelo? 2) Estamos desenvolvendo o modelo correto?
Perceba que na primeira frase o questionamento está ligado à estrutura, ao funcionamento, à lógica do modelo. Esta é a finalidade da verificação, ou seja, verificar se as interdependências estão corretas, se as distribuições de probabilidades definidas na primeira fase (concepção) estão nas atividades correspondentes, se as regras de horário, turnos, quantidade de mão-de-obra estão sendo respeitadas, e assim por diante.
Já a segunda pergunta se preocupa com capacidade do modelo em realmente representar a realidade, pois pode acontecer do modelo ser verificado e passar positivamente pela primeira pergunta, porém não ser válido. Isso indica que algo não foi bem definido na concepção do escopo ou, também, que houve algum equívoco no tratamento dos dados de entrada.
A seguir, algumas técnicas e boas práticas para verificação de modelos (CHWIF e MEDINA, 2015):
Implementação modular: recomenda-se criar o modelo computacional por partes e a cada nova parte concluída já fazer sua verificação local. Há casos em que a pessoa modela todo o sistema primeiro para somente depois verificá-lo e apenas ao final descobre que há um erro. Nesta situação ele tem que revisitar todos os objetos e condições do modelo até achar a causa do problema;
Uso de valores constantes e extremos: quando se elimina o efeito da aleatoriedade, pode-se verificar com mais clareza as lógicas do modelo e verificar se o resultado determinístico era o esperado. Utilizar valores extremos, como o zero, também auxilia nas verificações de alguns condicionais;
Utilização de depurador: quando o modelo se utiliza de programação lógica na sua modelagem, é importante usar o depurador, que muitas vezes o próprio software possui para verificação dos códigos;
Animação gráfica: rastrear uma entidade do modelo desde sua entrada no sistema até a saída para verificar se consumiu o tempo correto, se utilizou os recursos determinados e se passou pelas lógicas corretamente;
Revisão em grupo: técnica um pouco dispendiosa e por isso não muito utilizada na prática. Consiste em reunir um grupo tanto nas etapas de construção do modelo ou ao final, para criticar e tentar achar inconsistências que o refutariam.
Em seguida, algumas técnicas de validação de modelos sugeridas por Sargent (2010):
Animação: conforme o modelo evolui com o tempo, seu comportamento é mostrado graficamente;
Por eventos: os eventos do sistema real são comparados aos do modelo computacional para verificar similaridades;
Face a face: especialistas do processo modelado são questionados sobre o comportamento do modelo;
Interna: diversas réplicas são feitas do modelo estocástico a fim de determinar sua variabilidade. Caso seja alta esta variabilidade, vale o questionamento dos resultados;
Análise de sensibilidade: os valores de entrada e parâmetros internos são alterados para verificar se o comportamento do modelo corresponde a essas mudanças;
Preditiva: o modelo é usado para prever o comportamento do sistema e posteriormente são feitas comparações para determinar se são os mesmos;
Teste de Turing: dados gerados pelo sistema real e pelo modelo simulado são apresentados misturados para especialistas do sistema. Caso ele não saiba distinguir qual resultado é o simulado, qual é o real, isto significa que o modelo representa o sistema real;
Por dados históricos: dados históricos coletados do sistema real e dados gerados pelo modelo são comparados estatisticamente para determinar sua representatividade.
Importante lembrar que, assim como Law (2009) também menciona, não há validade absoluta em qualquer projeto de simulação, por mais esforço que haja envolvido, o que se consegue é aumentar o nível de confiança nos intervalos de resposta do modelo.
Para a validação do projeto desta dissertação usou-se de técnicas subjetivas, uma vez que não existe ainda o processo real, impossibilitando a validação estatística. Mais à frente, na seção 4.3.3, poderão ser vistas quais técnicas foram utilizadas.
3.2.6. Análise
O produto final da fase de implementação é o modelo computacional verificado e validado, estando este apto para execução dos experimentos e assim origina o modelo operacional (CHWIF e MEDINA, 2015).
Nesta fase é definido o projeto experimental, os experimentos são realizados, os dados obtidos e, enfim, serão analisados. Caso observe a necessidade, o modelo pode sofrer alterações e reinicia-se o ciclo.
Outras questões como tempo de simulação, quantidade de replicações e tempo de aquecimento do modelo devem ser definidas para que ocorra uma boa coleta de dados. É preciso escolher também se o modelo será analisado em período permanente (estado inicial do modelo não pode interferir nos resultados) ou transitório (deve-se considerar o período de aquecimento do modelo para coleta de resultados). Este último item está ligado à classificação do modelo quanto ao tempo de execução (terminal e não terminal) vista na seção 3.2.2.
Com os resultados analisados, são entregues aos especialistas as conclusões e recomendações elaboradas para o sistema.
Deve-se levar em consideração para a apresentação dos resultados simulados: 1) a confiança estatística, que é o intervalo de valores onde se encontra a média da população com determinada probabilidade e; 2) a precisão, ou seja, a amplitude desse intervalo.
3.3. Planejamento de experimentos (DOE)
Montgomery (2009) define experimento como um teste, ou uma série de testes, a fim de observar como as respostas de um sistema se comportam e são afetadas em função de mudanças propositais que são feitas nas variáveis de entrada desse sistema.
Já o planejamento de experimentos é definido pelo mesmo autor como um processo onde os dados apropriados são coletados para que sejam analisados por métodos estatísticos, resultados em conclusões válidas e objetivas. Ou seja, qualquer problema experimental deve
ser baseado em dois elementos: primeiramente, o planejamento dos experimentos e, em seguida, pela análise estatística dos dados.
A técnica de DOE orientará em quantos experimentos deverão ser feitos, que níveis de cada fator devem ser considerados para cada rodada do experimento e, ainda, qual a sequência de execução desses experimentos (CABRERA-RIOS, MOUNT-CAMPBELL e IRANI, 2002). A Tabela 3.2 apresenta as técnicas mais utilizadas de DOE e suas principais características, de acordo com Gomes (2010).
Tabela 3.2 Características fundamentais das principais técnicas de DOE. Fonte: Gomes (2010)
Segundo Montgomery (2009), o planejamento de experimentos deve conter as seguintes etapas:
I. Definição do problema;
III. Seleção das variáveis de resposta; IV. Escolha do projeto experimental;
V. Execução dos experimentos; VI. Análise estatística dos dados; VII. Conclusões e recomendações.
Para esta pesquisa, foi selecionado o Planejamento Fatorial Completo devido: 1) sua capacidade de varredura completa da região de estudo e; 2) a facilidade do software de simulação, o SIMUL8®, em criar os diferentes cenários desejados (alterando os níveis dos fatores escolhidos), executar as rodadas além de obter os intervalos de confiança como resposta. Explorando mais os conceitos mencionados acima, Kleijnen et al. (2005) definem fator como parâmetro, ou variável de entrada, que assume pelo menos dois valores durante um experimento. Esses valores são denominados níveis e a combinação dos níveis de todos os fatores envolvidos no experimento define um cenário. E, por fim, a repetição do mesmo cenário por várias vezes configuram as réplicas.
Os fatores podem ser tanto quantitativos (assumem valores numéricos) quanto qualitativos (considerações estruturais não quantificáveis) (LAW e KELTON, 2000).
As variáveis de resposta para uma determinada configuração de fatores são as medidas de desempenho do sistema para aquela combinação. Há ainda o conceito de interação, ou seja, não só a alteração de nível de um único fator pode alterar a resposta do sistema, mas também a combinação de alteração de níveis de dois ou mais fatores que apresentam algum tipo de sinergia (MONTGOMERY e RUNGER, 2003). Quando isso acontece, a resposta do sistema para esta interação será superior à soma do efeito isolado de cada um.
A análise de variância (ANOVA) é utilizada para aceitar ou rejeitar estatisticamente as hipóteses investigadas com o planejamento de experimento (LANDSHEER, VAN DEN WITTENDOER e MAASSEN, 2006). O objetivo da técnica é analisar a variação média dos resultados dos testes e demonstrar quais são os fatores que realmente produzem efeitos (principais e de interações) significativos nas variáveis de resposta de um sistema.
De acordo com Montgomery (2009), para o modelo ser formulado adequadamente, os resíduos precisam ser aleatórios, normais, independentes (não correlacionados) e identicamente distribuídos. Resíduo é a diferença entre uma observação e o seu valor estimado (ou ajustado) a partir do modelo estatístico estudado.
